原创 java int 與 integer的區別

int與integer的區別從大的方面來說就是基本數據類型與其包裝類的區別: int 是基本類型,直接存數值,而integer是對象,用一個引用指向這個對象 1.Java 中的數據類型分爲基本數據類型和複雜數據類型 int 是前者

原创 python函數chr()

chr(i) 中文說明: 返回整數i對應的ASCII字符。與ord()作用相反。 參數x:取值範圍[0, 255]之間的正數。 版本:該函數在python2和python3各個版本中都可用。不存在兼容性問題。 英文說明:

原创 java 使用queue

//常年使用C++,java小學生水平 隊列是一種特殊的線性表,它只允許在表的前端(front)進行刪除操作,而在表的後端(rear)進行插入操作。進行插入操作的端稱爲隊尾,進行刪除操作的端稱爲隊頭。隊列中沒有元素時,稱爲空隊列。

原创 beta分佈 and Dirichlet分佈

補充,今天看到了更詳細的數學推導,寫得超級好。 總共3部分:http://www.52nlp.cn/lda-math-%E8%AE%A4%E8%AF%86betadirichlet%E5%88%86%E5%B8%831 http://

原创 python調用java函數

可以使用py4j包,真的很方便 學習地址 http://blog.csdn.net/shy871265996/article/details/11935033 注意,如果有多個java文件都需要被調用,可以對於每個不同的java在 Ga

原创 EM算法好詳細的推導

來源: http://blog.csdn.net/livecoldsun/article/details/40833829 再次附上本文參考資料: [1]  https://zh.wikipe

原创 pipenv入門

//今天用同學的一個模型,被種草了pipenv=。=安利一波,文檔是轉載的,也方便自己查看python - pipenv 使用概覽原創青檸loft2018-02-26 22:29:05評論(0)161人閱讀歡迎訪問我的blog:http:

原创 GAN相關論文

原始GAN Goodfellow和Bengio等人發表在NIPS 2014年的文章Generative adversary network,是生成對抗網絡的開創文章,論文思想啓發自博弈論中的二人零和博弈。在二人零和博弈中,兩位博弈方的

原创 特徵選擇常用算法綜述

//今天搜索beam搜索的時候看到這篇文章了=。=,感覺不錯。 1 綜述 (1) 什麼是特徵選擇 特徵選擇 ( Feature Selection )也稱特徵子集選擇( Feature Subset Selection , FSS

原创 用eclipse打包jar的時候有外部jar包

囧囧,直接用eclipse是不行的 簡單的方法,好像圖片沒有轉過來,直接看文章底部的鏈接,看圖片教程。 2. Eclipse插件手動安裝方法下載地址:http://downloads.sourceforge.net/fjep/net.

原创 python xrang 和range

//最近心情有點小down,過段時間就好了~ //要對自己好一點 //就是這樣 range 前面小節已經說明了,range([start,] stop[, step]),根據start與stop指定的範圍以及step設定的

原创 抽樣,mcmc, Metropolis-Hastings,Gibbs Sampling

最近看LDA,惡補數學知識呀,覺得自己真實菜得摳腳=。= 52nlp講的還不錯 http://www.52nlp.cn/lda-math-mcmc-%E5%92%8C-gibbs-sampling1 http://www.52nlp.cn

原创 機器學習技法 筆記三 Kernel Support Vector Machine

//想買mac pro,大陸價格貴得很,在找港臺或者美帝的小夥伴代購。囧囧=。=以後不能玩燒顯卡的遊戲了,誰有mac的待機時間太吸引人了。 上一次我們學習了對偶形式,對偶形式的解決其實也是一個二次規劃的問題,而且這個二次規劃問題好像是和我

原创 linux下安裝codeblocks

//最近心情很down=。= 在聯網情況下,在Ubuntu 12.04 下輸入以下指令進行安裝。 1.安裝基本編譯環境 $sudo apt-get install build-essential $sudo apt-get in

原创 機器學習技法 筆記四 Soft-Margin Support Vector Machine

上面一章我們看完了kernel,通過合併轉換和內積兩個步驟來加速,這樣我們可以通過dual SVM來解決很多問題。 但是正如上一章最好說的,我們現在的要求都是基於在Z空間裏線性可分的,但是過度強求每個點都分正確,是有可能帶來overfit